تحقیق رایگان با موضوع طبقه‌بندي، تغييرات، تصوير، گياهي

دانلود پایان نامه ارشد

زمان t1 و t2 در پيکسل با مختصات x و y هستند و Id نتيجه تفاضل دو تصوير در مختصات همسان مي‌باشند. پيکسل‌هايي که داراي تغيير نيستند تقریباً برابر با عدد پيکسل ميانگين هستند. (Singh, 1989)
اين روش اساساً براي تعيين حد آستانه تغييرات بکار مي‌رود.
نسبت‌هاي تصويري
اين الگوريتم هرچند به سهولت تفاضل تصاوير نيست اما مي‌توانند تغييرات را به‌وضوح براي کاربر قابل‌درک نمايد. اين روش نسبتي از تصاوير در دو زمان متفاوت، پيکسل به پيکسل و باند به باند مي‌باشد:
〖Rx〗_ij^k= x_ij^k(t1)/ 〖Rx〗_ij^k(t2)
بطوريکه 〖Rx〗_ij^k مقدار نسبت پيکسل سطر i و ستون j در باند k در تصوير t1 به پيکسل سطر i و ستون j در باند k در تصوير t2 مي‌باشد. (Springer) بطوريکه اگر هر دو پيکسل متناظر از دو تصوير داراي مقدار خاکستري يکسان باشند، يعني 〖Rx〗_ij^k داراي مقدار يک باشد هيچ تغييري در مختصات مربوطه صورت نگرفته است و مقادير نهايي نسبت‌ها مابین صفر تا يک خواهند بود. در صورت صفر بودن ارزش 〖Rx〗_ij^k(t2) بايستي مقدار بسيار کمتري در حدود 01/0 جايگذاري نمود تا از مقادير غير معمول در برآورد نتيجه اجتناب نمود.( Morisette, 1997)
تصاوير قابل نسبت‌گيري داراي دو ويژگي هستند، اول اينکه تفاوت‌های قابل‌ملاحظه در شدت منحني‌هاي واکنش طيفي از عوارض مختلف ممکن است در تصاوير نسبت‌گيري‌شده تأکید شده باشد؛ دوم اينکه اثرات حاصل از زاويه تابش خورشيدي، سايه و توپوگرافي را کاهش مي‌دهند. (Singh, 1989 )

تفاضل شاخص‌هاي گياهي
توسعه در زمينه تصاوير سنجش‌ازدوری چند طيفي سبب شده است روش‌های متعدد جديدي براي دست‌يابي به ميزان پوشش گياهي گسترش يابد.(broge, 2001. 28) در حقيقت ضريب سبزينگي مي‌تواند به مشتق بازتابندگي امواج الکترومغناطيسي در پاسخ گياهان سبز به آن‌ها تعريف نمود. شاخص‌هاي گياهي تبديلات رياضي هستند که براي محاسبه‌شدت سبزينگي در مشاهدات تصاوير چندطيفي مورداستفاده قرار مي‌گيرند. اين شاخص‌ها تفاوت جذب امواج الکترومغناطيسي دو باند قرمز و مادون‌قرمز نزديک بارزتر مي‌سازند. براي آشکارسازی تغييرات، معمولاً شاخص‌ها براي دو تصوير به‌صورت مجزا محاسبه گرديده سپس يکي از روش‌های آشکارسازی (نسبت دو شاخص يا تفاضل آن دو) به‌صورت پيکسل‌پايه بکار مي‌رود. (Hussain, 2013)
الگوريتم تفاضل شاخص گياهي، به‌صورت گسترده‌اي براي آشکارسازی تغييرات با منشأ انساني و طبيعي مانند تغيير پوشش زمين، برداشت جنگلي و يا جنگل‌کاري که شامل توسعه‌ي جنگل‌هاي طبيعي و ترميم چشم‌انداز ناشي از دست‌کاری انسان استفاده مي‌گردد. (Lyon, 1998)
بر اساس ويژگي‌هاي جذبي مواد موجود در گياهان و باندهاي جذبي، شاخص‌هاي مختلفي براي پوشش گياهان تعريف شده‌اند که بيشتر براي بدست آوردن ميزان پوشش گياهان از طريق تصاوير چندطيفي مورداستفاده قرار مي‌گيرند. شاخص‌هاي متفاوت که در تعيين ميزان پوشش گياهي کاربرد زيادي دارند، به سه صورت بيان مي‌گردند: بر اساس نسبت شاخص‌ها؛شامل شاخص گياهي (RVI) و تفاضل شاخص گياهي نرمال‌شده (NDVI)، شاخص‌هاي متعامد شامل شاخص گياهي عمودي (PVI) و تفاضل شاخص گياهي (DVI) و شاخص تنظيم انعكاس خاك (SAVI) و شاخص تنظیمی انعکاس خاک اصلاحي (MSAVI).
RVI= N/R
NDVI= (N-R)/N_r
SAVI= (N-R)/(N-R+L)(1+L)
MSVI=((2N+1)-√(〖(2N+1)〗^2-8(N-R) ))/2

به‌طوريکه:
N: مقادير پيکسل‌ها در باند مادون قرمز؛
R: مقادير پيکسل‌ها در باند قرمز؛
Nr مقادير پيکسل‌ها در باند مادون قرمز نزديک؛
L: فاکتور تصحيح بوده (correction factor) از صفر براي منطقه با پوشش گياهي بالا تا 1 براي مناطق با پوشش گياهي خيلي کم تغيير مي‌کند و براي مناطق با پوشش گياهي متوسط 5/0 است.
دو معادله RVI و NDVI شايد از بهترين معادلات کلاسيک در مباحث پوشش گياهي باشند که بر اساس باندهاي قرمز و مادون‌قرمز محاسبه مي‌گردند(Broge, 2001). در معادله SAVI ، L تابعي از تراکم پوشش گياهي است و تعيين آن به دانش قبلي از ميزان پوشش گياهي بستگي دارد.
تحليل برداري تغييرات
اين روش بر اساس نمايش تغييرات در فضاي طيفي است. در يک فضاي طيفي n بعدي تفاوت دو تصوير در دو زمان متفاوت، به‌صورت برداري نمايش داده مي‌شود. اين تفاوت دو بردار را نتيجه مي‌دهد: فاصله بين دو پيکسل متناظر در دو تصوير و جهت بردار در دو زمان. نه‌تنها اين روش مي‌تواند به‌صورت مستقل به‌عنوان روشي براي آشکارسازی تغييرات بکار رود، بلکه به تحليل و طبقه‌بندي تغييرات نيز کمک کند. (Kresse, 2012) ازآنجایی‌که مي‌تواند اندازه تغييرات را نشان دهد بنابراين عوارض تغيير بافته و بدون تغيير را مي‌تواند حاصل دهد. (Coppin, 2004) در شرايط ایده‌آل، تصوير ژئورفرنس شده دقيق و نرماليزه شده، اندازه پيکسل‌هاي بدون تغيير بايد برابر با صفر باشد.
طبقه‌بندي
الگوريتم طبقه‌بندي شايد يکي از پرکاربردترين و ساده‌ترين روش‌های موجود در آشکارسازی تغييرات باشد که پس جداسازي کلاس‌های مختلف در منطقه موردمطالعه و مقايسه دو تصوير، به تغييرات حاصله می‌توان دست پيدا کرد. در واقع در اين روش به دنبال ويژگي‌هاي مشترک بين پيکسل‌هاي تصوير مي‌باشد که هر ويژگي مشترک (Joseph, 2005)در يک کلاس قرار مي‌گيرد. طبقه‌بندي در فضاي دوبعدی پيکسل‌ها صورت مي‌گيرد که عدد رقومي آن‌ها از صفر تا 255 رکورد شده است. اين اعداد ميزان انرژي الکترومغناطيسي بازتاب شده از عوارض زمين مي‌باشد. ( Yang, 2002 ، ITC RS book)
تاکنون روش‌های زيادي براي طبقه‌بندي گسترش داده‌شده است که به‌طور گسترده براي موارد پوشش زمين مورداستفاده قرار مي‌گيرند. (Borak, 2002) يکي از ويژگي‌هاي اين روش اين است که علاوه بر حصول نتايج مطلوب طبقه‌بندي، قابليت ارائه ماتريس اطلاعات تغييرات دارد. بااین‌حال انتخاب داده‌هاي آموزشي به‌منظور طبقه‌بندي از دشوارترين مراحل اين روش مي‌باشد. (Lu, 2009)

شکل ‏26- نمودار نمايشي عمليات طبقه‌بندي
استفاده قابل‌قبول از تصاوير ماهواره‌‌اي براي بيان تغييرات با طبقه‌بندي بستگي به درک کافي از چشم‌اندازها، سيستم‌هاي تصويربرداري و روش به کار گرفته شده در آن دارد. (Lunetta, 1999، Rozenstein, 2011) با توجه ويژگي‌ها و نوع عوارض، کلاس‌ها در اين روش تعريف مي‌شود.
از پرکاربردترين روش‌های طبقه‌بندي که اکثراً براي کاربري و پوشش زمين نيز مورداستفاده قرار مي‌گيرد طبقه‌بندي به‌صورت نظارت‌شده و نظارت‌نشده مي‌باشد که ذیلاً به اين دو روش اشاره مختصري مي‌شود.

طبقه‌بندي نظارت‌شده:
يکي از مهم‌ترین قسمت‌هاي طبقه‌بندي مربوط به جز سازی يا همان انتخاب عوارض مي‌گردد. طبقه‌بندي با استفاده از کلاس‌هايي که کاربر با در نظر گرفتن مشخصات طيفي معرفي مي‌نمايد صورت مي‌پذيرد که اين کار نيازمند آگاهي دقيق کاربر از مشخصات طيفي عوارض و يا دانش قبلي از سطح زمين(Ray, 2007و ص 26) است. اين ويژگي با استفاده از دانشي که از محيط پيرامون خود دارد حاصل مي‌گردد. (ITC rs)
بااین‌حال به علت وجود عوامل اتمسفريک، استفاده مستقيم از ويژگي‌هاي طيفي هميشه در دسترس نيستند. در اين صورت، کاربر پيکسل‌هاي شناخته‌شده مناسب براي پارامترهاي نمايشي هرکلاس در اختيار دارد، که اين پيکسل‌ها نمونه‌هاي آموزشي ناميده مي‌شوند و به‌صورت داده‌هاي زميني از طرق مختلف ( داده‌هاي GPSي، نقشه‌هاي توپوگرافي، عکس‌هاي هوايي، …) جمع‌آوری گرديده‌اند.

شکل ‏27- شماتيک طبقه‌بندي به‌صورت نظارت‌شده
طبقه‌بندي نظارت‌نشده
در طبقه‌بندي نظارت‌نشده که خوشه‌بندي7 نيز ناميده مي‌شود، از روش‌های مرسوم در طبقه‌بندي شناخته مي‌شود که علاوه بر مسئله طبقه‌بندي، استفاده گسترده‌اي در تفسير تصاوير همچون پيش‌پردازش، قطعه‌بندي8، استخراج عوارض، تجسم داده و … دارد. (Ridd, 1998) اين طبقه‌بندي سرعت بالاتري نسبت به روش نظارت‌شده دارد و در انبوهي اطلاعات و داده‌هاي تصويري سنجش‌ازدور کارآمد مي‌باشد.
در این روش، پيکسل‌هاي درخور طبقه‌بندي در دسترس نيستند و از الگوريتم‌هاي مختلف آماري براي افراز عوارض به چند گروه با ويژگي‌هاي طيفي متشابه استفاده مي‌گردد(Roy, 2010). اين افراز بستگي به تصميم کاربر دارد که چه کلاس‌هايي موردنیاز مي‌باشد. (Ridd, 1998)
خوشه‌بندي با الگوريتم‌هاي مختلفي صورت مي‌گيرد که از پرکاربردترين‌ آن‌ها می‌توان به دو مورد K-Means و Iso-Data اشاره نمود که هر دو مورد فرآيند تکراري را شامل مي‌گردند.
K-Means يکي از ساده‌ترين روش‌های طبقه‌بندي نظارت‌نشده است. بدين‌صورت که راه سهلي را براي طبقه‌بندي مجموعه داده‌هاي در دسترس از طریق تعداد معين خوشه (بر فرض K خوشه) ثابت در اختيار مي‌گذارد و بر اساس تعريف يک مرکز براي هرکدام از گروه‌هاي خوشه‌اي مي‌باشد.

شکل ‏28- شماتيک خوشه‌بندي در روش نظارت‌نشده
مقايسه پس از طبقه‌بندي
اين الگوريتم واضح‌ترين روش آشکارسازی تغييرات مي‌باشد که نيازمند طبقه‌بندي مستقل دو تصوير مي‌باشد و با کدگذاري نتايج حاصل از طبقه‌بندي براي دو تصوير در زمان t1 و t2 ماتريس تغييرات حاصل مي‌گردد. (Kresse, 2012 و Singh, 1989) موفقيت حاصل از اين روش بستگي به اعتبار طبقه‌بندي صورت گرفته دارد. (Shalaby, 2007) بااین‌حال اگر تصاوير مورد بررسی در زمان مختلف از سال باشند، شرايط براي بررسي تغييرات به‌ویژه در عوارض يکسان مربوط به فنولوژي گياهان، بسيار دشوار خواهد بود.( Serra, 2003)
اين روش مسائل حاصل از تصاوير چندطيفي ثبت‌شده در شرايط مختلف جوي و محيطي به حداقل مي‌رساند بدین‌صورت که تصاوير به‌صورت جداگانه و با تصحيحات مربوطه به کلاس‌های مختلف تقسیم‌شده و پس از حصول نتيجه مقايسه صورت مي‌گيرد. در نتيجه اين روش از دقت قابل قبولي برخوردار است.
مقايسه طبقه‌بندي به‌صورت پيکسل به پيکسل يا سگمنت به سگمنت صورت مي‌گيرد. (Coppin, 2007)
روش PCC9 مزاياي زيادي را علاوه بر نمايش تغييرات برخوردار مي‌باشد، بدین‌صورت که نه‌تنها مکان تغيير را حاصل مي‌دهد بلکه نوع تغيير به- را نيز نشان مي‌دهد. (Lunetta, 1999)

GIS پايه
امروزه بسياري از سيستم‌هاي پردازش تصاوير فعلي، به‌صورت يکپارچه و يا سازگار با سيستم اطلاعات جغرافيايي (GIS) هستند. GIS امکاني را براي يکپارچه‌سازي داده‌ها، به تصويرکشيدن، تحليل و توليد نقشه فراهم مي‌نمايد. روند داده مي‌تواند دو سويه باشد، همان‌طور که داده GISي مي‌تواند براي همپوشاني بر روي يک تصوير استفاده گردد، متناوباً نتايج حاصل از تحليل تفسير، می‌تواند براي به‌روزرسانی داده GISي استفاده گردد. به‌عنوان ‌مثال لایه‌های پارسل ذخیره‌شده در ژئوديتابيس GIS مي‌تواند براي کمک به طبقه‌بندي و آشکارسازی تغييرات از يک تصوير استفاده گردد. همچنين تصوير مي‌تواند براي بهنگام‌سازي ژئوديتابيس نيز بکار رود. (Hussain, 2013)
GIS امکان يکپارچه‌سازي نقشه‌هاي قديمي و کنوني را به‌منظور مقايسه فراهم مي‌سازد. در چنين موارد همپوشاني‌ با تصوير و پوشش دو دويي ممکن است به تغييرات ايجاد شده به‌صورت پويا در هر کلاس کمک نمايد. لي10 استفاده از داده‌هاي GISي و روش‌هايي همچون وابستگي فضايي، خوشه‌بندي فضايي، ارتباط فضايي، توزيع فضايي، استنتاج فضايي و ويژگي‌هاي فضايي را براي آشکارسازی تغييرات مورد توجه قرارداد.
قابليت يکپارچه‌‌سازي GIS با سنجش‌ازدور، با استفاده متناوب از تکنيک‌هاي تحليل تصوير به‌صورت شی‌ءگرا افزايش مي‌يابد. (Hussain) زماني که اشيا‌ استخراجي از تصوير سنجش‌ازدوري به‌منظور آشکارسازی تغييرات با ديگر روش‌های تحليل تصوير پيوند مي‌يابد، اطلاعات فضايي و غيرفضايي در مورد اشيا ذخیره‌شده در ژئوديتابيس مي‌تواند نقش مهمي را ايفا کند. (Bouziani, 2010) بيشتر کاربردهاي پيشين GISي در آشکارسازی تغييرات بر روي مناطق شهري متمرکزشده‌ بودند. اين احتمالاً به دليل روش‌های سنتي آشکارسازی تغييرات است که اغلب نتايج ضعيفي به سبب چشم‌اندازهاي پيچيده شهري دارند و نمي‌توانند به‌طور مؤثر از آنالیز داده‌هاي چند منبعی بهره‌مند شوند. پس، توابع GISي قدرتمند ابزار مناسبي را براي پردازش داده‌هاي چند منبعي فراهم مي‌آورند

پایان نامه
Previous Entries تحقیق رایگان با موضوع کاربری اراضی، پوشش اراضی، کشاورزی و منابع طبیعی، منابع طبیعی Next Entries تحقیق رایگان با موضوع کاربری اراضی، تغییرات کاربری اراضی، پوشش گیاهی، ضریب کاپا